数据资产产品化的六大步骤，助力企业提升数据资产价值（下）

数据资源入表对企业提升数据资产估值影响不大。要想提升数据资产的整体价值，将其产品化是一种更为有效的途径。那么，数据资产产品化的具体路径是怎样的呢？

通过总结星光数智首席数据架构师魏战松在《星光对话》直播栏目中提出的观点，我们给出了六大步骤。此前针对前面3个步骤进行了拆解，本篇将继续聊聊剩下的3个步骤。

产品上市

产品上市指的数据产品的估值和上市。因为数据估值是比较大的课题，我们将重点谈谈如何通过3大因素，来提高数据产品的估值。

首先，场景因素非常重要。我们需要考虑产品的受众，解决的问题是什么。举个例子，如果某个数据对竞争对手非常有价值，那么对于他们而言，这个数据产品的价值将非常高。但对于不相关的行业，这个数据可能毫无价值。因此，选择适合的客户和确定不同场景下的定价策略都至关重要。

其次，市场因素也很重要。我们需要考虑相关数据在市场上的需求和活跃度。比如，供应链数据可能在市场上需求较高，相关方也较多。此外，数据本身的属性也需要考虑，例如可复用性、冗余度、稀缺性、垄断程度和数据热度等。如果数据具有以上属性，且他人难以获得，那么它的市场价值将更高。

最后，质量因素也决定了数据产品的估值。质量评价报告是评估数据好坏的重要依据，从准确性、一致性、完整性、规范性、时效性和可访问性等方面对数据进行评估。数据越准确、越及时，对业内的价值就越大。

交易撮合

交易撮合更多要依赖数据交易所的能力。首先数据交易所可理解为一个中介平台，通过整合生态资源，包括数商、律师事务所、资产评估机构、金融机构等第三方机构，实现数据供需的衔接，促成数据交易。

可以说，数据交易所承担着供需衔接、产业生态融合、数据合规保障、流通技术支撑4大职能。

随着隐私计算、联邦学习以及跨机构之间的数据运算场景的崛起，数据交易所的作用变得愈发重要。以两家零售公司的数据融合为例，数据交易所可以提供一种解决方案：将双方数据置于同一可信空间中进行共同计算，基于一个处理模型，各自训练，保证数据互相可用但不可见。

通过这种方式，可以满足双方的个性化需求，并解决了双方不愿直接交换数据的问题。目前已有数据交易所在相关产品上进行研发，为数据融合提供技术支持。

产品运营

数据产品迭代周期很快，因此我们需要持续的对数据产品进行运营。首先，我们需要快速判断哪些数据在使用后已经没有价值，并立即下线这些数据。同时，我们也需要持续开发新的产品，以满足用户需求。对于通用产品，我们只需要生产一份，持续销售。对于只有少数客户需要的定制化数据，我们可以采取单独定价和交易的方式。

此外，数据产品运营还需要两大支持：数据质量的长效机制和数据安全合规机制。

数据质量长效机制是指在数据经过一轮治理后，有了一定的考核指标来评估数据质量，以确保数据在后期不再出现新问题。数据安全合规机制是为了确保整个数据交易链路合规。

通过数据产品持续运营，确保数据可以持续带来价值增值，带来收入，也就是所谓的数据挣钱。

关于数据资产的其它相关信息内容，欢迎评论区留言或私信小编获取~